CN109492190A - 一种基于分部式高斯混合模型的冰下层位检测方法 - Google Patents
一种基于分部式高斯混合模型的冰下层位检测方法 Download PDFInfo
- Publication number
- CN109492190A CN109492190A CN201811042722.8A CN201811042722A CN109492190A CN 109492190 A CN109492190 A CN 109492190A CN 201811042722 A CN201811042722 A CN 201811042722A CN 109492190 A CN109492190 A CN 109492190A
- Authority
- CN
- China
- Prior art keywords
- branch
- subglacial
- layer position
- data
- hybrid models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及冰下层位的检测方法,具体涉及基于分部式高斯混合模型的冰下层位检测方法。包括步骤为:对待处理探冰雷达数据,构建分部式高斯混合模型;对各分部探冰雷达数据,分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值;基于迭代求解结果,构建分类标签矩阵,实现冰下层位检测。本发明基于探冰雷达数据,通过构建分部式高斯混合模型,反映冰下介质属性的差异,降低冰下噪声干扰的同时,实现对冰下层位的有效检测和提取。
Description
技术领域
本发明涉及冰下层位检测的方法,具体涉及基于分部式高斯混合模型的冰下层位检测方法。
背景技术
在冰下层位检测方面,空气和冰盖交界面、冰盖内部层、冰下冰岩交界面、冰下湖是探冰雷达探测的主要目标。由于探冰雷达在数据采集过程中会引入噪声干扰,这使得获取的冰下层位信息模糊,对于分析冰层结构和冰下地形,造成了很大的影响。同时,对于探冰雷达图像的大数据量特点,自动、高效的层位提取和分析技术显得格外重要。本发明主要涉及探冰雷达数据的冰下层位检测方法。
近年来,在对层位特征的提取和分析方面,许多图像处理的技术被用于探冰雷达数据的处理,实现了对层位的半自动或自动的检测和提取。例如,活动围道方法、隐马尔科夫模型方法,基于边缘检测算子的方法(Canny算子、Sobel算子、Roberts算子、Prewitt算子、Laplace算子等)、水平截集的方法、基于图形学的边缘检测方法和其他基于边缘轮廓的检测和分割方法等被用于检测冰-岩界面和冰盖内部层位。从检测效果来看,自动层位提取技术对雷达图像进行全局性操作,层位检测效果不够理想;半自动层位提取技术需要人工参与完成,可以得到较好的层位检测结果,但对于大数据量的探冰雷达图像数据来说,处理效率会大受影响;边缘检测算子的目标检测和提取方法需要选择合理的边缘检测模板,并涉及边缘检测模板与图像局部邻域的卷积运算,对于大数据量的探冰雷达图像存在着模板选择的不适用性和运算量增加等可能出现的问题。
因此,对于探冰雷达图像的层位检测和提取,应结合介质的不同属性,对所关注的不同层位特征进行分部检测和提取,减少人工参与,实现对层位的自动、准确、高效的检测和提取,这将为冰层结构和冰下地形地貌的探测和分析提供一个直观、有效的新途径。
发明内容
本发明的目的在于基于探冰雷达数据,通过构建分部式高斯混合模型,反映冰下介质属性的差异,降低冰下噪声干扰的同时,实现对冰下层位的有效检测和提取。
本发明是通过以下技术方案实现的,包括以下步骤:
第一步,对待处理探冰雷达数据X(r,t),构建分部式高斯混合模型,得到K个分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),其分别对应一种高斯分布φ(X|θk),(k=1,2,...,K)。
所述的对待处理探冰雷达数据X(r,t),构建分部式高斯混合模型,具体是:对各道探冰雷达数据的幅度序列,采用经验平均曲线分解法对其进行信号分解;取第一个信号分解分量,作为该道数据的包络表征,检测其在特定窗口范围内的跳变点;将检测到的跳变点作为介质层位分界点,基于此构建分部式高斯混合模型如下:
其中,K是高斯混合模型的数量,即分部数量,φ(X|θk)是第k个高斯分布的概率密度,θ=(α1...αKθ1...θK)是待估计模型参数,αk是每个高斯分布的权重且∑αk=1。
第二步,对各分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值。
所述的对各分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值,具体是:对各分部数据X(k)(r,t),(k=1,2,...,K),将模糊C均值聚类方法得到的聚类中心作为高斯分布模型的均值初值,将每类的类内方差作为高斯分布模型的方差初值,将每类样本个数/总数作为该高斯分布的权重;进而,采用期望最大化算法,迭代求解模型参数的最大似然估计解和数据xi属于某类的概率估计如下:
其中,t为迭代次数,i为数据序号。
第三步,基于迭代求解结果,构建分类标签矩阵L,基于此实现冰下层位检测。
所述的基于迭代求解结果,构建分类标签矩阵L,基于此实现冰下层位检测,具体是:基于迭代求解结果,分析数据xi属于某类的最大后验概率,确定其类别如下:
设定数据xi的类别标签为Li=k,对所有数据进行同样分析,构建分类标签矩阵L为:
其中,M为每道探冰雷达数据长度,N为探冰雷达数据的道数;基于分类标签矩阵L,结合步骤(1)得到的各道数据包络跳变点,分析L中每列数据的类别差异跳变点,将其作为边界跳变点,基于此实现冰下层位的检测。
与现有技术相比,本发明的有益效果是:
(1)本发明基于分部式高斯混合模型的冰下层位检测方法,特别是构建分部式高斯混合模型,可有效结合介质的不同属性,对所关注的不同层位特征进行分部检测和提取;
(2)采用第一个信号分解分量作为数据的包络表征,可在一定程度上减少噪声的干扰,有助于降低冰下噪声干扰的同时,实现对冰下层位的有效检测和提取;
(3)采用模糊C均值和期望最大化迭代求解的方法,可有效避免高斯混合模型迭代求解陷入局部极值,同时减少计算量。
附图说明
图1为本发明冰下层位检测方法的流程图。
图2为本发明实施例中待处理的极地探冰雷达数据成像图。
图3为本发明实施例中第840道探冰雷达数据幅度序列。黑线代表原始信号,红线、蓝线、紫线、黄线和绿线分别表示第1~5分解后的信号分量。
图4为本发明本实施例中第840道探冰雷达数据包络跳变点检测结果。
图5为本发明本实施例中待处理图像层位边界初步检测结果。
图6为本发明本实施例中基于分类标签矩阵的初步分割结果。
图7为对本发明实施例采用本发明方法的冰下层位检测结果。
具体实施方式:
下面结合附图对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
本发明中所使用的数据来源于中国科学院电子学研究所研制的探冰雷达,没有具体型号,没有批产。具体参数如下:工作带宽:100MHz,中心频率:150MHz,发射信号类型:线性调频信号,天线阵列:2个。
如图1所示,本发明极地探冰雷达数据噪声抑制方法实施例的流程如下:
第一步,对图2所示待处理冰雷达数据X(r,t)(图像大小为3276×24576,即M=24576,N=3276)构建分部式高斯混合模型。
(1)对各道探冰雷达数据的幅度序列,采用经验平均曲线分解法(EMCD,EmpiricalMean Curve Decomposition)对其进行信号分解,如图3所示,共分解得到5个信号分量;
(2)取第一个信号分解分量作为该道数据的包络表征,检测其在特定窗口范围内的跳变点,第1368道数据的检测结果如图4中红点所示;
(3)将检测到的跳变点作为介质层位初步分界点,基于此构建分部式高斯混合模型如下:
其中,K是高斯混合模型的数量,即分部数量,本实施例中K=6,φ(X|θk)是第k个高斯分布的概率密度,θ=(α1...αKθ1...θK)是待估计模型参数,αk是每个高斯分布的权重且∑αk=1。
第二步,对各分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值。
(1)对各分部数据X(k)(r,t),(k=1,2,...,K),采用模糊C均值聚类方法,求解如下最小化问题:
其中,C为分类数,p为加权指数,uij表示数据xi对该类的模糊隶属度:
将模糊C均值聚类方法得到的聚类中心cj作为高斯分布模型的均值初值μk (0),将每类的类内方差Sk作为高斯分布模型的方差初值将每类样本个数/总数nk/n作为该高斯分布的权重αk (0);
(2)采用期望最大化算法,迭代求解模型参数的最大似然估计解和数据xi属于某类的概率估计如下:
其中,t为迭代次数,i为数据序号。
第三步,基于迭代求解结果,构建分类标签矩阵L,基于此实现冰下层位检测。
(1)基于迭代求解结果,分析数据xi属于某类的最大后验概率,确定其类别如下:
(2)设定数据xi的类别标签为Li=k,对所有数据进行同样分析,构建分类标签矩阵L为:
基于分类标签矩阵的初步分割结果如图6所示;
(3)基于分类标签矩阵L,结合第一步得到的各道数据包络跳变点,对L中每列数据向上向下搜索,将检测到的第一个跳点作为边界跳变点,基于此实现冰下层位的检测,如图7所示。
本实施例待处理冰雷达数据第840道数据幅度序列波形如图3中黑线所示,其对应包络如图3中红线所示。本实施例冰下层位检测结果如图7所示,从图7可见,本发明方法用于极地探冰雷达数据冰下层位检测时,可以有效的反映出冰下介质层位的属性差异,检测得到的层位边界连续、准确,检测过程自动完成,无需人工参与。同时,只选择第一个信号分解分量作为数据的包络表征,可在一定程度上减少噪声的干扰,有助于降低冰下噪声干扰的同时,实现对冰下层位的有效检测和提取。
上述说明已经充分介绍了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应的,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (4)
1.一种基于分部式高斯混合模型的冰下层位检测方法,其特征在于,所述方法包括以下步骤:
(1)对待处理探冰雷达数据X(r,t),构建分部式高斯混合模型,得到K个分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),其分别对应一种高斯分布φ(X|θk),(k=1,2,...,K);
(2)对各分部探冰雷达数据X(k)(r,t),(k=1,2,...,K),分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值;
(3)基于迭代求解结果,构建分类标签矩阵L,基于此实现冰下层位检测。
2.根据权利要求1所述的基于分部式高斯混合模型的冰下层位检测方法,其特征在于,所述步骤(1)的对待处理探冰雷达数据X(r,t),构建分部式高斯混合模型,具体是:
对各道探冰雷达数据的幅度序列,采用经验平均曲线分解法对其进行信号分解;取第一个信号分解分量,作为该道数据的包络表征,检测其在特定窗口范围内的跳变点;将检测到的跳变点作为介质层位分界点,基于此构建分部式高斯混合模型如下:
其中,K是高斯混合模型的数量,即分部数量,φ(X|θk)是第k个高斯分布的概率密度,θ=(α1...αKθ1...θK)是待估计模型参数,αk是每个高斯分布的权重且∑αk=1。
3.根据权利要求1所述的基于分部式高斯混合模型的冰下层位检测方法,其特征在于,所述步骤(2)的对各分部探冰雷达数据X(k)(r,t),(k=1,2,…,K),分别采用模糊C均值聚类处理和期望最大化算法,迭代求解各高斯分布模型中模型参数的初值和最大似然估计值,具体是:
对各分部数据X(k)(r,t),(k=1,2,...,K),将模糊C均值聚类方法得到的聚类中心作为高斯分布模型的均值初值,将每类的类内方差作为高斯分布模型的方差初值,将每类样本个数/总数作为该高斯分布的权重;进而,采用期望最大化算法,迭代求解模型参数的最大似然估计解和数据xi属于某类的概率估计如下:
其中,t为迭代次数,i为数据序号。
4.根据权利要求1所述的基于分部式高斯混合模型的冰下层位检测方法,其特征在于,所述步骤(3)的基于迭代求解结果,构建分类标签矩阵L,基于此实现冰下层位检测,具体是:基于迭代求解结果,分析数据xi属于某类的最大后验概率,确定其类别如下:
设定数据xi的类别标签为Li=k,对所有数据进行同样分析,构建分类标签矩阵L为:
其中,M为每道探冰雷达数据长度,N为探冰雷达数据的道数;基于分类标签矩阵L,结合步骤(1)得到的各道数据包络跳变点,分析L中每列数据的类别差异跳变点,将其作为边界跳变点,基于此实现冰下层位的检测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018109115047 | 2018-08-12 | ||
CN201810911504 | 2018-08-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492190A true CN109492190A (zh) | 2019-03-19 |
CN109492190B CN109492190B (zh) | 2022-11-15 |
Family
ID=65690468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811042722.8A Active CN109492190B (zh) | 2018-08-12 | 2018-09-07 | 一种基于分部式高斯混合模型的冰下层位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492190B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348402A (zh) * | 2019-07-15 | 2019-10-18 | 哈尔滨工业大学 | 一种结合特征频率的期望似然的信号检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020129038A1 (en) * | 2000-12-18 | 2002-09-12 | Cunningham Scott Woodroofe | Gaussian mixture models in a data mining system |
CN105259539A (zh) * | 2015-10-29 | 2016-01-20 | 中国科学院大学 | 一种针对极地探冰雷达数据的分部式噪声抑制方法 |
CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
-
2018
- 2018-09-07 CN CN201811042722.8A patent/CN109492190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020129038A1 (en) * | 2000-12-18 | 2002-09-12 | Cunningham Scott Woodroofe | Gaussian mixture models in a data mining system |
CN105259539A (zh) * | 2015-10-29 | 2016-01-20 | 中国科学院大学 | 一种针对极地探冰雷达数据的分部式噪声抑制方法 |
CN105678790A (zh) * | 2016-02-22 | 2016-06-15 | 辽宁工程技术大学 | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 |
CN105787895A (zh) * | 2016-02-29 | 2016-07-20 | 中国计量学院 | 基于分层高斯混合模型的统计压缩感知图像重构方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348402A (zh) * | 2019-07-15 | 2019-10-18 | 哈尔滨工业大学 | 一种结合特征频率的期望似然的信号检测方法 |
CN110348402B (zh) * | 2019-07-15 | 2021-05-28 | 哈尔滨工业大学 | 一种结合特征频率的期望似然的信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109492190B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shu et al. | Segmenting overlapping cell nuclei in digital histopathology images | |
Xu et al. | Stacked sparse autoencoder (SSAE) for nuclei detection on breast cancer histopathology images | |
CN109325960B (zh) | 一种红外云图气旋分析方法及分析系统 | |
US8712142B2 (en) | Method and apparatus for analysis of histopathology images and its application to cancer diagnosis and grading | |
CN107274401B (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN110992381B (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
CN112884791B (zh) | 一种构建大规模遥感影像语义分割模型训练样本集的方法 | |
BenTaieb et al. | Multi-loss convolutional networks for gland analysis in microscopy | |
Vahadane et al. | Towards generalized nuclear segmentation in histological images | |
CN101540047A (zh) | 基于独立高斯混合模型的纹理图像分割方法 | |
US20200193139A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
Tareef et al. | Automated three-stage nucleus and cytoplasm segmentation of overlapping cells | |
CN114972325B (zh) | 一种基于图像处理的汽车轮毂缺陷检测方法 | |
CN107742113A (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN112330625B (zh) | 免疫组化核染色切片细胞定位多域共适应训练方法 | |
CN111868783B (zh) | 基于边界提取的区域合并图像分割算法 | |
CN109492190A (zh) | 一种基于分部式高斯混合模型的冰下层位检测方法 | |
Yao et al. | Position-based anchor optimization for point supervised dense nuclei detection | |
Jung et al. | Automatic segmentation of salient objects using iterative reversible graph cut | |
CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
Pan et al. | A review of machine learning approaches, challenges and prospects for computational tumor pathology | |
Vijila Rani et al. | Detection of cervix tumor using an intelligent system accompanied with PNN classification approach | |
CN115656952A (zh) | 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |